DDC-YOLO (Dead Chicken YOLO), qəfəsli broyler toyuq təsərrüfatlarında ölü toyuqları avtomatik aşkarlamaq üçün YOLO11 əsasında hazırlanmış; Universal Inverted Bottleneck (UIB) yüngül omurğa şəbəkəsi, Wise-IoU (WIoU) sərhəd qutusu reqressiya itkisi, əlavə parametr yaratmayan SimAM diqqət mexanizmi və Dual Branch Feature Fusion (DBFF) xüsusiyyət birləşdirmə modulunu bir araya gətirən yüngül obyekt aşkarlama modelidir. Tədqiqat yalnız görüntü təsnifatı modeli hazırlamaqla kifayətlənməmiş; modeli Jetson Orin NX SUPER kənar kompüterinə, dörd qatlı səkkiz kanallı kamera sisteminə və nəzarət robotuna bağlayaraq real qəfəsli broyler istehsal mühitində yerləşdirmişdir. WOD168 verilənlər dəstində əsas testdə DDC-YOLO %96,8 Precision, %85,4 Recall, %90,8 F1 və %93,1 mAP@0.5 nəticələrinə çatmış, model parametr sayını YOLO11n baza xəttinə görə 1,437 milyon və fayl ölçüsünü 2,8 MB azaltmışdır. Lakin bu nəticələr bütün fermalar və cinslər üçün sabit ümumiləşmə uğuru demək deyil; çapraz cins təcrübələri yeni cinsə birbaşa keçiddə performansın kəskin düşə bildiyini və yeni mühitə aid etiketli məlumatlarla transfer öyrənməsinin lazım olduğunu göstərir.

Tədqiqatın mühəndislik problemi yüksək mərtəbəli qəfəslərdə əl ilə kümes yoxlamasının yavaş, yorucu və zaman baxımından qeyri-kafi ola bilməsidir. Ölü toyuqların sürətlə tapılması yalnız işçi qüvvəsi üçün deyil, sürü sağlamlığının izlənməsi və ölü heyvanların vaxtında çıxarılması üçün də vacibdir. Buna görə müəlliflər məlumat toplama, model təlimi, kənar cihazda inferensiya, robotik skan, buluda ötürmə, insan təsdiqi, transfer öyrənməsi və yeni model çəkilərinin robota geri göndərilməsini vahid sistem arxitekturasında birləşdirmişdir.

Əhəmiyyətli nəticələrdən biri yalnız modeli kiçiltməyin yetərli olmamasıdır. UIB omurgası parametr sayını ciddi azaltsa da dəqiqlik metriklərində itki yaratmışdır. WIoU, SimAM və DBFF komponentlərinin mərhələli əlavə edilməsi ilə bu itki geri qazanılmış və yekun DDC-YOLO modeli YOLO11n ilə müqayisədə daha aşağı hesablama xərci ilə daha yüksək mAP@0.5 və F1 dəyərinə çatmışdır. Bununla belə Precision YOLO11n-in %97,0 dəyərindən %96,8-ə çox kiçik düşmüşdür.

Araşdırmanın əsas problemi

Qəfəsli və yüksək sıxlıqlı broyler yetişdirilməsində bütün qəfəslərin insanlar tərəfindən müntəzəm yoxlanması ciddi əmək tələb edir. Xüsusilə üst qat qəfəslər məhdud baxış bucaqları, sıx heyvan varlığı, işıq dəyişiklikləri və qəfəs avadanlığının yaratdığı örtüşmələr səbəbilə nəzarəti çətinləşdirir. Çıxış nöqtəsi real istehsal mühitində işləyən sistemin yalnız yüksək obyekt aşkarlama dəqiqliyinə deyil; aşağı hesablama yükünə, çoxlu kamera axınını vaxtında emal etməyə və dəyişən broyler cinslərinə uyğunlaşmağa ehtiyac duymasıdır.

Mənbə işi problemi sadəcə çevrimdışı görüntülər üzərində klassik YOLO müqayisəsi kimi təqdim etmir. Araşdırma marşrutu dörd əsas addımdan ibarətdir: görüntü toplama və ön emal, YOLO11-in yüngül DDC-YOLO quruluşuna çevrilməsi, modelin robot üzərindəki kənar kompüterə yerləşdirilməsi və yeni istehsal ssenarilərində insan təsdiqi ilə qidalanan model yeniləmə dövrəsi.

DDC-YOLO nədir və hansı problemi həll edir?

DDC-YOLO, YOLO11n obyekt aşkarlama arxitekturasını qəfəsli broyler kümeslərində real vaxtlı ölü toyuq aşkarlanması və kənar cihaz yerləşdirilməsi üçün yüngülləşdirib yenidən tənzimləyən modeldir. Model UIB ilə omurğa hesablama yükünü azaldır, WIoU ilə müxtəlif keyfiyyətli sərhəd qutusu nümunələrinin təlim təsirini tənzimləyir, SimAM ilə əlavə öyrənilən parametr əlavə etmədən vacib xüsusiyyət bölgələrini vurğulayır və DBFF ilə çoxölçülü xüsusiyyətləri iki ayrı konvolyusiya qolundan birləşdirir.

Veri mənbəyi: üç fərqli broyler qrupu

Əsas təlim məlumatı Çinin Şandun əyalətindəki bir fermadan 2023-cü ilin avqust–sentyabr aylarında toplanmış WOD168 ağ tüklü broyler görüntüləridir. Hikvision HM TD2B28T ikili optik kamera 1920×1080 çözünürlükdə istifadə edilmişdir. Mənbəyə görə hər kümesdə təxminən 60.000 broyler olur və gündə təxminən 6–10 ölü toyuq görünür. Fərqli çəkiliş bucaqları və yetişdirmə şəraitlərindən ümumilikdə 712 görüntü qeydə alınmışdır.

Çapraz cins ümumiləşməsini araşdırmaq üçün Quandon əyalətində başqa bir ağ tüklü qrup, yerli adı ilə “Xiaobai chicken”, 2024-cü ilin may–iyul aylarında görüntülənmişdir. Eyni Hikvision kamera sistemi ilə 725 ölü toyuq görüntüsü əldə edilmişdir. Bu qrup WOD168 ilə tük rəngi baxımından oxşar olsa da duruş, mühit və tekstura xüsusiyyətləri fərqlidir.

Daha böyük vizual sahə dəyişimini sınamaq üçün Ciansu əyalətində 2025-ci ilin noyabrından 2026-cı ilin yanvarına qədər sarı tüklü Xueshan broylerlərindən məlumat toplanmışdır. Mənbə bu mərhələdə iPhone 17 ilə 60 kadr/saniyə video yazıldığını və videolardan 672 ölü toyuq görüntüsü çıxarıldığını bildirir. Sarı tük rəngi, bədən görünüşü, mühit teksturası və qəfəs şəraiti ilk təlim qrupundan açıq şəkildə fərqlənir.

Negativ fon nümunələri niyə istifadə olundu?

Modelin hər sabit və ya qeyri-adi görüntünü ölü toyuq kimi işarələməməsi üçün canlı toyuqlar və qəfəs avadanlığından ibarət negativ fon görüntüləri də toplanmışdır. Bu görüntülər dörd qatlı, səkkiz kanallı ikili işıqlı kamera daşıyan nəzarət robotu ilə istehsal sahəsində müxtəlif şəraitlərdə əldə edilmişdir. Fon görüntülərində ölü toyuq olmadığından YOLO etiket faylları boş saxlanılmış və negativ təlim nümunəsi kimi istifadə edilmişdir.

Veri artırma real iş şəraitini necə təqlid etdi?

Nəzarət robotu hərəkət edərkən iki əsas görüntü pozuntusu hədəflənmişdir: aşağı işıq və hərəkət/fokuslanma mənşəli bulanıqlıq. Aşağı işıq Gamma çevrilməsi ilə parlaqlığın azaldılması, bulanıqlıq isə Gaussian blur tətbiqi ilə təqlid edilmişdir. İki proses birlikdə tətbiq edilərək aşağı işıqda avtofokusun uğursuz olduğu daha ağır şərait də yaradılmışdır.

Veri artırma yalnız təlim və incə tənzimləmə qruplarına tətbiq edilmişdir. Test görüntüləri real sahədən gəldiyi kimi qorunmuşdur. Bu dizayn vacibdir; əks halda model test mərhələsində süni yaradılmış və təlim çevrilmələrinə çox oxşar görüntülər üzərində qiymətləndirilərək gerçəkdən daha nikbin nəticə verə bilərdi.

Etiketləmə protokolu

Etiketləmə LabelImg ilə YOLO formatında aparılmış və bütün hədəflər tək dead sinfi ilə müəyyənləşdirilmişdir. Sərhəd qutusunun bütün karkası əhatə etməsi tələb olunmuşdur. Qismən örtülmə olan nümunələrdə qutunun görünən karkas sahəsinin ən az %80-ni əhatə etməsi şərti tətbiq edilmişdir. Veri toplayan heyətin eyni zamanda etiketləmə aparması və ortaq təlimatlardan istifadə etməsi etiket standartlaşdırmasını qorumaq üçün seçilmişdir.

YOLO11 niyə başlanğıc modeli seçildi?

Tədqiqatçılar əvvəlcə YOLOv5, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 və YOLO26 modellərini eyni verilənlər üzərində müqayisə etmişdir. YOLO12-nin mAP@0.5 dəyəri %92,3 ilə YOLO11-in %92,2 dəyərindən 0,1 faiz bənd yüksək olsa da YOLO11; %97,0 Precision, %84,1 Recall və %90,1 F1 ilə ümumi tarazlıq baxımından ən güclü nəticələrdən birini vermişdir. Ölü toyuq aşkarlanmasında qaçırılan hədəflərin əməliyyat dəyəri mühüm olduğundan, müəlliflər Recall və F1 tarazlığını da nəzərə alaraq YOLO11-i baza ailə kimi seçmişdir.

YOLO11 ailəsi içində n, s, m və l miqyasları ayrıca müqayisə edilmişdir. Ən kiçik YOLO11n yalnız daha az parametrə malik olmamış, bu verilənlər dəstində daha böyük konfiqurasiyalardan daha yüksək dəqiqlik metrikləri də vermişdir. YOLO11x isə kənar cihazın hesablama sərhədləri səbəbilə müqayisəyə daxil edilməmişdir.

UIB yüngül omurğa şəbəkəsi

DDC-YOLO-nun ilk böyük dəyişikliyi YOLO11n omurgasının MobileNetV4-dəki Universal Inverted Bottleneck strukturları ilə əvəz edilməsidir. UIB, tərs bottleneck quruluşuna seçməli DepthWise Convolution qatları əlavə edərək fərqli hesablama-məkan qarışığı tarazlıqları qura bilən struktur ailəsidir. Mənbə işi dörd UIB variantını nəzərə alır: MobileNet Inverted Bottleneck, ConvNext-Like, Extra DW və Feed Forward Network.

DDC-YOLO omurgası yeddi mərhələyə ayrılmışdır. İlk qatlarda kontur və duruş detalları qorunmalı, orta qatlarda hesablama xərci məhdudlaşdırılmalı, dərin qatlarda isə daha geniş qavrayış sahəsi ilə bütöv semantik məlumat birləşdirilməlidir.

Qeyd: Mənbədə Start DW = 0 başlanğıc DepthWise Convolution qatının istifadə edilmədiyini bildirir.

WIoU itkisi bu işdə niyə istifadə edildi?

WIoU itkisi nəzarət robotunun fərqli işıq, bulanıqlıq və örtülmə şəraitində topladığı nümunələrin keyfiyyət səviyyəsi eyni olmadığı üçün istifadə edilmişdir. Mənbəyə görə klassik CIoU bütün nümunələrə daha vahid reqressiya təzyiqi tətbiq edir; WIoU-nun fokuslama mexanizmi isə fərqli keyfiyyət və aykırılıq səviyyələrindəki sərhəd qutusu nümunələrinin təlim payını yenidən ağırlıqlandıraraq modelin aşağı keyfiyyətli nümunələrə həddindən artıq uyğunlaşma riskini azaltmağı hədəfləyir.

CIoU və WIoU tənlikləri

Mənbə əvvəl YOLO11-in istifadə etdiyi Complete-IoU itkisinin bu formasını verir:

\[ L_{CIoU}=1-IoU+\frac{\rho^2(b,b^{gt})}{c^2}+\alpha v \tag{1} \]

Burada \(b\) və \(b^{gt}\) proqnoz və real sərhəd qutularını, \(\rho\) qutu mərkəzləri arasındakı Öklid məsafəsini, \(c\) iki qutunu əhatə edən ən kiçik qutunun diaqonalı ilə bağlı miqyası, \(\alpha\) ağırlıq əmsalını və \(v\) en-boy nisbəti uyğunluğu komponentini göstərir.

WIoUv1 üçün mənbə:

\[ L_{WIoUv1}=R_{WIoU}L_{IoU} \tag{2} \]

\[ R_{WIoU}= \exp\left( \frac{(x-x_{gt})^2+(y-y_{gt})^2} {(W_g^2+H_g^2)^*} \right) \tag{3} \]

ifadəsini işlədər. \(x,y\) proqnoz qutusunun, \(x_{gt},y_{gt}\) real qutunun mərkəz koordinatlarıdır; \(W_g\) və \(H_g\) ən kiçik əhatəedici qutunun eni və hündürlüyüdür. Mənbə məxrəcdəki ulduz işarəsini ayrıca izah etmir; buna görə burada yeni məna yüklənməmişdir.

WIoUv2 üçün monoton fokuslama quruluşu:

\[ L_{WIoUv2}= \left( \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \right)^{\gamma} L_{WIoUv1} \tag{4} \]

şəklindədir. WIoUv3 nümunənin cari itkisini ümumi itki səviyyəsi ilə əlaqələndirən aykırılıq ölçüsü istifadə edir:

\[ \beta= \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \in[0,+\infty) \tag{5} \]

və yekun WIoUv3 itkisi mənbədə:

\[ L_{WIoUv3}=rL_{WIoUv1}, \qquad r=\frac{\beta}{\delta\alpha^{\beta-\delta}} \tag{6} \]

kimi verilir. Riyazi məqsəd bütün nümunələri eyni cəzalandırmaq əvəzinə nümunə keyfiyyətindən asılı olaraq reqressiya qradientinin nisbi əhəmiyyətini dəyişdirməkdir.

SimAM: parametr əlavə etmədən diqqət

SimAM öyrənilən əlavə parametr yaratmadan xüsusiyyət tensorundakı neyronların əhəmiyyətini enerji əsaslı ölçü ilə müəyyənləşdirən diqqət mexanizmidir. DDC-YOLO-da P3 əvəzinə P4 və P5 səviyyələrinə tətbiq edilmişdir. Müəlliflər P3-ün yüksək çözünürlüklü olsa da yerli tekstura və fon səs-küyünü daha çox daşıdığını; P4 və P5-in hədəfin əsas bölgələrini təmsil etmək üçün daha uyğun olduğunu bildirir.

Mənbə SimAM enerji funksiyasını:

\[ e_t(w_t,b_t,y,x_i) = (y_t-\hat{t})^2 + \frac{1}{M-1} \sum_{i=1}^{M-1} (y_o-\hat{x_i})^2 \tag{7} \]

və xətti çevrilmələri:

\[ \begin{cases} \hat{t}=w_t t+b_t\\ \hat{x_i}=w_t x_i+b_t \end{cases} \tag{8} \]

kimi verir. Mənbədə \(t\) hədəf neyronu, \(x_i\) eyni kanaldakı digər neyronları, \(w_t\) və \(b_t\) isə ağırlıq və bias terminlərini ifadə edir. Denklemdeki \(y_t\) və \(y_o\) simvolları ayrıca açılmamışdır; bu boşluq uydurulmamışdır.

Minimum enerji:

\[ e_t^{*}= \frac{4(\hat{\sigma}^{2}+\lambda)} {(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} \tag{9} \]

kimi verilir. Əhəmiyyət ölçüsü enerji ilə tərs istiqamətdə dəyişir:

\[ \frac{1}{e_t^{*}} = \frac{(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} {4(\hat{\sigma}^{2}+\lambda)} = \frac{(t-\hat{\mu})^{2}} {4(\hat{\sigma}^{2}+\lambda)} +0.5 \tag{10} \]

və xüsusiyyət gücləndirməsi:

\[ \widetilde{X} = sigmoid\left(\frac{1}{E}\right)\odot X \tag{11} \]

ilə göstərilir. Aşağı enerji hədəf neyronun çevrəsindən daha yaxşı ayrıldığını və ona daha yüksək əhəmiyyət verildiyini ifadə edir.

DBFF: iki qollu xüsusiyyət birləşdirmə

Dual Branch Feature Fusion modulu P3, P4 və P5 miqyaslarında istifadə olunur. Birinci qol daha aşağı hesablama xərcli depthwise-separable convolution ilə yerli məkan xüsusiyyətlərini çıxarır, ikinci qol isə standart 3×3 convolution ilə məkan və kanal qarşılıqlı təsirlərini birlikdə işləyir.

\[ F_1=Conv_{1\times1}\left(DWConv_{3\times3}(X)\right) \tag{12} \]

\[ F_2=Conv_{1\times1}\left(Conv_{3\times3}(X)\right) \tag{13} \]

\[ F_{out}=Concat(F_1,F_2) \tag{14} \]

Mənbəyə görə birinci qol kateqoriya ayırdedici yerli xüsusiyyətləri daha aşağı xərclə çıxarmağa, ikinci qol tam məkan-kanal qarşılıqlı təsirini qoruyaraq yerləşdirmə məlumatını yaxşılaşdırmağa yönəlib. İki qolun çıxışı kanal ölçüsündə birləşdirilir.

Qiymətləndirmə metrikləri

Model performansı Precision, Recall, F1, Average Precision, mAP, FPS, parametr sayı, FLOPs və model fayl ölçüsü ilə qiymətləndirilmişdir.

\[ Precision=\frac{TP}{TP+FP}\times100\% \tag{15} \]

\[ Recall=\frac{TP}{TP+FN}\times100\% \tag{16} \]

\[ F1= 2\frac{Precision\times Recall}{Precision+Recall} \tag{17} \]

\[ AP=\int_{0}^{1}P(r)\,dr \tag{18} \]

\[ mAP=\frac{1}{n}\sum_{i=1}^{n}AP(i) \tag{19} \]

TP doğru pozitiv, FP yanlış pozitiv, FN yanlış negativ aşkarlamaları göstərir. Precision modelin “ölü toyuq” dediyi nümunələrin nə qədərinin doğru olduğunu; Recall gerçək ölü toyuqların nə qədərinin tapıldığını; F1 isə Precision və Recall arasındakı tarazlığı ölçür. Bu işdə tək hədəf sinif olduğundan mAP şərh edilərkən sinif sayının bir olduğu nəzərə alınmalıdır.

Təlim infrastrukturu və hiperparametrlər

Transfer öyrənməsi/artımlı incə tənzimləmə mərhələsində öyrənmə sürəti 0,001-ə endirilmiş; 300 epoch, batch 32, patience 100 və SGD qorunmuşdur. Hədəf ssenari məlumatları 50 görüntülük kiçik qruplar halında 11 tur ərzində sistemə əlavə edilmişdir. Hər yeni tur əvvəlki turdan əldə edilən ən uyğun çəkilərdən başladılmışdır.

Bulud–kənar əməkdaşlıqlı model yeniləmə mexanizmi necə işləyir?

Sistem robotun yeni istehsal mühitindən görüntü və aşkarlama nəticələrini buluda göndərməsi, yetişdiricilərin nəticələri əl ilə gözdən keçirməsi, doğru aşkarlamaların saxlanması, yanlış pozitiv qutuların silinməsi və qaçırılmış ölü toyuqların yenidən etiketlənməsi ilə yeni incə tənzimləmə verilənlər dəsti yaradır; buludda öyrədilən yeni model versiyası sonra versiya nəzarəti ilə nəzarət robotuna geri yüklənir. Buna görə proses tamamilə insansız öyrənmə deyil; insan təsdiqi məlumat keyfiyyəti və yayımlanacaq model versiyasının seçimi üçün dövrənin əsas hissəsidir.

Robot başlanğıcda ağ tüklü WOD168 məlumatında öyrədilmiş DDC-YOLO çəkilərini daşıyır. Yeni cins və ya yeni kümes mühitində patrul zamanı görüntülər və aşkarlama nəticələri buluda göndərilir. Doğru aşkarlamalar qutuları ilə birlikdə təlim hovuzuna daxil edilir. Yanlış aşkarlamalarda qutu silinir və görüntü fon nümunəsi kimi işlənə bilər. Qaçırılan hədəflər isə insan tərəfindən yenidən etiketlənir.

Buludda yeni məlumatla incə tənzimləmə tamamlandıqdan sonra uyğun model versiyası insan tərəfindən seçilərək model kitabxanasına yazılır. Robot müəyyən aralıqlarla yeni model çəkisi olub-olmadığını sorğulayır; yeni versiya tapıldıqda çəkini endirir və yerli modeli yeniləyir. Mənbə modellərin kümes binası və toyuq cinsinə görə ayrıca idarə edilə bildiyini də bildirir.

Çalışmanın yöntemi ve bulguları

Ablasiya təcrübəsi: hər modul nə qazandırdı?

Ablasiya təcrübəsinin ən güclü mesajı yüngülləşdirmə ilə dəqiqlik arasında birbaşa mübadilə olmasıdır. YOLO11n baza modeli 2,582 milyon parametr, 6,3 GFLOPs və təxminən 5,2 MB ölçü ilə %92,2 mAP@0.5 vermişdir. UIB omurgasının təkbaşına əlavə edilməsi parametr sayını 0,86 milyona və hesablama yükünü 2,8 GFLOPs-a endirmiş, lakin mAP@0.5-i %90,2-yə salmışdır. Deməli “daha kiçik model” təkbaşına “daha yaxşı model” olmamışdır.

UIB + WIoU kombinasiyası mAP@0.5-i %90,2-dən %91,3-ə yüksəltmişdir. SimAM əlavə ediləndə Recall %86,3-ə və mAP@0.5 %92,8-ə qalxmış, beləliklə yüngül model ilk dəfə YOLO11n baza xəttinin mAP dəyərini keçmişdir. Bununla belə Precision %93,0-a düşmüşdür; bu, daha çox yanlış pozitiv aşkarlamanın mümkün olduğunu göstərir.

Yekun DBFF modulu əlavə ediləndə parametr sayı 1,145 milyona, hesablama yükü 3,3 GFLOPs-a və model ölçüsü 2,4 MB-a çıxmış, mAP@0.5 %93,1-ə və F1 %90,8-ə çatmışdır. YOLO11n ilə müqayisədə parametr sayı 1,437 milyon, fayl ölçüsü təxminən 2,8 MB azalır, mAP@0.5 0,9 faiz bənd və F1 0,7 faiz bənd artır. Precision isə %97,0-dan %96,8-ə enir.

Mənbə müəllifləri bu kombinasiyanı dəqiqlik və hesablama xərci baxımından “Pareto-optimal” tarazlıq kimi şərh edir. Bu ifadə müəllif şərhidir; burada müstəqil yeni Pareto analizi aparılmamışdır.

Fərqli inkişaf dövrlərində vizual nəticələr

Şəkil 12-də model performansı cücə/brooding dövrü və finishing/fattening dövrü üçün vizual müqayisə edilmişdir. Erkən dövrdə heyvanlar daha kiçik olduğundan hər fərd görüntüdə daha az piksel tutur və qəfəsdə daha çox fərd ola bilər. İrəli dövrdə broylerlər böyüdüyü üçün hədəflər daha böyük görünür, lakin sıxlıq və örtülmə artır.

Mənbə vizual müqayisəsində müxtəlif baza YOLO modellərinin hər iki mərhələdə bəzi hədəfləri qaçırdığı, DDC-YOLO-nun xüsusilə örtülmə olan nümunələrdə daha sabit qutular yarada bildiyi göstərilir. Bu vizual sübut kəmiyyət test cədvəlini əvəz etmir; kəmiyyət performansı yuxarıdakı test metriklərindən, Şəkil 12 isə müəyyən səhnələrdə aşkarlama davranışından məlumat verir.

DDC-YOLO kənar cihazda real vaxtda işləyə bildimi?

Bəli; Jetson Orin NX üzərində DDC-YOLO PyTorch ilə 43,01 FPS, TensorRT ilə 131,7 FPS inferensiya sürətinə çatmışdır. Mənbədə robotun dörd qatlı səkkiz kanallı kamera sisteminin real vaxt tələbinin bu dəyərlərin altında olduğu bildirilir; buna görə model həm PyTorch, həm də TensorRT yerləşdirilməsində təcrübə sisteminin emal gücü tələbini qarşılamışdır.

DDC-YOLO-nun inferensiya sürəti baza YOLO11n-dən bir qədər aşağıdır. TensorRT çevrilməsində DDC-YOLO-nun mAP@0.5 dəyəri %93,1-dən %92,3-ə enmişdir; buna qarşı mənbədə verilən baza modelin TensorRT nəticəsi %92,2-dir. Buna görə TensorRT sürətdə böyük artım verərkən ölçülən dəqiqlikdə kiçik dəyişiklik yaratmışdır.

Robot sistemi bir skan/toplama dövrünü təxminən 1,4 saniyədə tamamlayır və dörd qəfəs qatından ümumilikdə səkkiz görüntü alır. Mənbə səkkiz kanallı görüntü emalının bir saniyə içində tamamlanmalı olduğunu bildirir və PyTorch rejimində belə 40 FPS-dən yuxarı sürətin bu tələbi qarşıladığını ifadə edir.

Ağ tüklü yeni cinsə transfer

WOD168 üzərində öyrədilən model başqa bir ağ tüklü cinsə birbaşa tətbiq edildikdə performans açıq şəkildə düşmüşdür. Bu, təkcə tük rənginin oxşar olmasının yetərli olmadığını; bədən forması, duruş paylanması və yetişdirmə mühitinin də vizual sahə paylanmasını dəyişdirdiyini göstərir.

İlk 50 etiketli hədəf mühit görüntüsünün əlavə edilməsi dörd performans metrikində güclü yaxşılaşma yaratmış, sonrakı kiçik partiya yeniləmələri ilə metriklər təxminən %95,5 səviyyəsinə doğru yüksəlib sabitləşmişdir. Mənbə bu prosesi real istehsalda ölü toyuq nümunələrinin gündəlik az sayda yığılmasına uyğun mühəndislik həlli kimi qiymətləndirir.

Sarı tüklü Xueshan broylerlərinə transfer

Sarı tüklü cinsdə sahə dəyişimi daha böyükdür. WOD168 çəkiləri heç bir hədəf sahə incə tənzimləməsi olmadan birbaşa istifadə edildikdə Precision %32,3, Recall yalnız %0,8, F1 %1,6 və mAP@0.5 %3,8 olmuşdur. Bu nəticə modelin “fərqli cinslərə onsuz da ümumiləşə bildiyi” iddiasını dəstəkləmir; əksinə, yeni sahəyə birbaşa transferin uğursuz ola bildiyini göstərir.

İlk 50 etiketli Xueshan görüntüsü ilə incə tənzimləmədən sonra mAP@0.5 %79,4-ə qalxmışdır. 11 kiçik partiya yeniləməsinin sonunda mAP@0.5 %87,1-ə çatmış və son iki turda eyni səviyyədə qalmışdır.

Cədvəlin vacib öyrədici nəticəsi artımın hər turda monoton olmamasıdır. Məsələn üçüncü turda mAP@0.5 %77,8-ə geriləmiş, daha sonrakı turlarda yenidən yüksəlmişdir. Buna görə “hər 50 yeni görüntü performansı mütləq artırır” nəticəsi çıxarıla bilməz. Mənbənin dəstəklədiyi nəticə kiçik partiya yeniləmələrinin ümumi prosesdə yeni mühitə uyğunlaşmanı açıq şəkildə yaxşılaşdıra bilməsidir.

Real ferma yerləşdirilməsi

DDC-YOLO ROS funksional paketi kimi nəzarət robotuna inteqrasiya edilmişdir. Robot sistemində pilləli elektrik itələyici mexanizm, dörd qatlı səkkiz kanallı ikili işıqlı kamera və Jetson Orin NX SUPER kənar kompüteri vardır. Aşkarlama modulu naviqasiya və məlumat idarəetməsindən ayrılmışdır.

Robot səkkiz görüntünü yerli keş növbəsinə alır, görüntülər eyni zamanda bulud serverinə yedəklənir və ölü toyuq aşkarlanması Jetson üzərində həyata keçirilir. Pozitiv aşkarlamalarda görüntü, sərhəd qutusu, qəfəs nömrəsi, qat, sıra və etibar skoru bulud verilənlər bazasına göndərilir. Bulud idarəetmə sistemi həm ölü toyuq qeydlərini, həm robot statusunu göstərir və robot hərəkətlərinin idarəsini dəstəkləyir.

Mənbə sistemin real istehsal mühitində bir neçə yetişdirmə dövrü boyunca fasiləsiz nəzarət tapşırıqları yerinə yetirdiyini bildirir. Bu nəticə mühəndislik yerləşdirilməsinin mümkünlüyünə dair mühüm saha təsdiqidir; lakin ayrı fermalarda, fərqli avadanlıqda və bütün çevresel şəraitlərdə eyni dəqiqlik dəyərinin zəmanəti demək deyil.

Çalışmanın dəstəklədiyi nəticələr

• DDC-YOLO WOD168 testində %96,8 Precision, %85,4 Recall, %90,8 F1 və %93,1 mAP@0.5 vermişdir.
• YOLO11n-ə görə parametr sayı 2,582 M-dən 1,145 M-ə və model ölçüsü təxminən 5,2 MB-dan 2,4 MB-a düşmüşdür.
• UIB təkbaşına modeli güclü yüngülləşdirmiş, lakin dəqiqlik itkisinə səbəb olmuşdur.
• WIoU, SimAM və DBFF-nin birlikdə istifadə edildiyi yekun quruluş yüngül omurganın yaratdığı dəqiqlik itkisini geri qazanaraq mAP@0.5-i baza modelin üzərinə çıxarmışdır.
• Jetson Orin NX üzərində inferensiya sürəti robotun səkkiz kameralı emal tələbini qarşılamışdır.
• Yeni cinsə birbaşa transfer ciddi performans düşüşü yarada bilər.
• Az sayda etiketli hədəf mühit nümunəsi ilə təkrarlı transfer öyrənməsi yeni cinsdə performansı mühüm dərəcədə yaxşılaşdırmışdır.
• Robot, kənar kompüter, bulud məlumat sistemi və model yeniləmə dövrəsi real istehsal mühitində birləşdirilmişdir.

Çalışmanın dəstəkləmədiyi nəticələr

• DDC-YOLO-nun bütün broyler cinslərində yenidən təlim olmadan eyni performansı verəcəyi göstərilməmişdir.
• Tək sabit modelin zamanla bütün ferma şəraitlərinə öz-özünə ümumiləşdiyi göstərilməmişdir.
• Model yeniləmə dövrəsi tam insansız deyil; əl ilə nümunə təsdiqi və model versiyası seçimi vardır.
• Çalışma ölü toyuqların robot qolu ilə qəfəsdən avtomatik çıxarılmasını həyata keçirməmişdir; bu gələcək iş kimi təklif edilir.
• Görünən işıq + termal infraqırmızı çoxmodlu füzyon bu çalışmanın yekun modeli deyil; gələcəkdə araşdırılması təklif edilir.
• Real ferma yerləşdirilməsi müstəqil çoxmərkəzli və ya çoxölkəli xarici doğrulamanın yerini tutmur.

Əsas xəta halları və məhdudiyyətlər

Mənbə Şəkil 17 iki mühüm yanlış negativ növünü göstərir. Birincisi ölü toyuğun böyük hissəsinin canlı toyuqlar və ya qəfəs strukturu tərəfindən örtülməsi və yalnız kiçik hissəsinin görünməsi. İkincisi karkasın uzun müddət qəfəsdə qaldıqdan sonra canlı toyuqlar tərəfindən əzilməsi, formasının pozulması və mühit teksturası ilə vizual birləşməsidir.

Bu hallar yalnız tək kadr görünən işıq görüntüsünə əsaslanan obyekt aşkarlamanın bioloji və çevresel sərhədlərini ortaya qoyur. Müəlliflər gələcəkdə görünən işıq və termal infraqırmızı məlumatı birləşdirməyi planlaşdırır. Lakin mənbədə göstərilən termal nümunədə belə ölü toyuq fondan tam asan ayrılmır; buna görə termal görüntünün təkbaşına problemi həll etdiyi nəticəsinə varmaq olmaz.

Digər gələcək iş istiqaməti aşkarlanan ölü toyuğun robot qolu ilə yerinin müəyyənləşdirilməsi və qəfəsdən çıxarılmasıdır. Bu sistem hazırkı işin tamamlanmış saha nəticəsi deyil. Bundan əlavə daha çox bölgə, cins və istehsal mühitindən məlumat toplanaraq modelin xarici ümumiləşməsinin genişləndirilməsi planlaşdırılır.

Mənbə və metod qeydi

Orijinal çalışma: A lightweight DDC-YOLO and inspection-robot system for dead broiler detection in caged broiler houses

Yazar sırası: Jingkun Sun; Wanchao Zhang; Kaituo Yang; Jiaze Sun; Jia Zeng; Deqi Hao; Sai Luo; He Zhu; Tian Hua; Changxi Chen.

Birgə birinci yazarlar: Jingkun Sun və Wanchao Zhang.

Məsul yazar: Changxi Chen.

Qurumlar: College of Computer and Information Engineering, Tianjin Agricultural University; Key Laboratory of Smart Breeding (Co-Construction by Ministry and Province), Ministry of Agriculture and Rural Affairs; College of Animal Science and Technology, Yangzhou University.

Yüklənən əsas mənbə versiyası: SSRN preprint, SSRN abstract no. 6827629. Yüklənmiş PDF-nin hər səhifəsində işin hakem qiymətləndirməsindən keçməmiş preprint olduğu qeyd edilir.

SSRN DOI: 10.2139/ssrn.6827629

Güncel yayımçı qeydi: Eyni başlıq və yazar siyahısı ilə Computers and Electronics in Agriculture, Volume 254, Article 112233, 2026.

Jurnal DOI: 10.1016/j.compag.2026.112233

Yayımçı: Elsevier.

Yayım durumu qeydi: Bu Verianla məqaləsinin elmi nüvəsi istifadəçinin yüklədiyi SSRN preprint mətnindən çıxarılmışdır. Bibliografik doğrulamada eyni çalışmanın daha yeni jurnal qeydi tapıldığından onu yalnız “hakemsiz çalışma” kimi tanımlamaq güncel yayım durumunu eksik qoyar. Jurnal qeydi bibliografik yeniləmə üçün göstərilmiş, yüklənən mənbədən kənar yeni eksperimental nəticə əsas elmi bulgu kimi əlavə edilməmişdir.

Terminologiya qeydi: Mənbənin Abstract, Methods və Conclusion bölmələri veri artırmada Gamma transformation və Gaussian blur istifadə edildiyini bildirir. Discussion bölümündə bir yerdə “Gaussian noise” ifadəsi vardır. Yöntem təsviri və ilgili şəkil Gaussian blur ilə uyumlu olduğundan əsas anlatımda Gaussian bulanıqlıq termini qorunmuş, mənbə içindəki ifade fərqi qeyd edilmişdir.

Maliyyələşdirmə: China Agriculture Research System of MOF and MARA (CARS-41); National Key R&D Program of China (2023YFD2000800); Key Laboratory of Smart Breeding (Co-construction by Ministry and Province), Ministry of Agriculture and Rural Affairs, Tianjin Agricultural University.

Veri əlçatanlığı: Müəlliflər verilərin davam edən əlaqəli araşdırmalar səbəbilə hazırda açıq olmadığını, ağlabatan tələb halında məsul yazardan əldə edilə biləcəyini bildirir.

Çıxar çatışması: Müəlliflər çalışmanı təsirləyə biləcək bilinən maliyyə marağı və ya şəxsi münasibət olmadığını bəyan edir.

CRediT töhfələri: Jingkun Sun: Investigation, Methodology, Software, Visualization, Writing – original draft. Wanchao Zhang: Writing – original draft, Visualization, Software, Methodology, Data curation. Kaituo Yang: Validation, Formal analysis, Data curation. Jiaze Sun: Visualization, Investigation. Jia Zeng: Software, Data curation. Deqi Hao: Software, Data curation. Sai Luo: Data curation. He Zhu: Data curation. Tian Hua: Data curation. Changxi Chen: Writing – review & editing, Methodology.

Əsas metodoloji sərhədlər: Təlim və əsas kəmiyyət testləri müəyyən fermalardan və müəyyən broyler cinslərindən toplanan görüntülərə əsaslanır. Çapraz cins testləri güclü sahə sürüşməsi göstərir. Sıx örtülmə və forması pozulmuş karkaslar yanlış negativlərə yol aça bilər. Sistem real istehsal mühitində yerləşdirilmiş olsa da bütün ferma, cins və çevresel ssenarilər üçün müstəqil xarici doğrulama aparılmamışdır. Model yeniləmə mexanizmi əl ilə insan baxışına ehtiyac duyur.

Şəkil istifadəsi qeydi: Mənbə fiqurları birbaşa kopyalanmamalıdır. Araşdırma axını, DDC-YOLO arxitekturası, DBFF, bulud–kənar yeniləmə mexanizmi, transfer öyrənməsi və robotik saha iş axını Verianla üçün semantik olaraq ekvivalent, lakin özgün SVG/şema kimi yenidən çəkilməyə uyğundur.